Keine Formel?
Lernen Sie sie aus den Daten.
Blackbox-Optimierung, auch Surrogat-Optimierung genannt, findet aus früheren Daten die vielversprechendste nächste Entscheidung. kint lernt, wie das System auf frühere Entscheidungen reagiert hat, und durchsucht dann dieses gelernte Modell. Jede Antwort nennt, wie sicher sich das Modell ist.
Die Historie hält bereits fest, wie sich Ihr System verhält.
Manche Systeme sind zu verflochten, um sie vollständig aufzuschreiben. Wetter, die Zusammensetzung der Schiffe und die Gewohnheiten der Crews greifen am Kai ineinander. Ein Ofen reagiert gleichzeitig auf zwanzig Einstellungen.
Umschlagleistung des Terminals
Welche Einstellungen von Yard und Kränen die meisten Container pro Stunde bewegt haben, gelernt aus Betriebsprotokollen.
Prozesseinstellungen
Temperaturen, Geschwindigkeiten und Mischungen, die hohe Ausbeute bei wenig Ausschuss liefern, gelernt aus Produktionsdaten.
Flexible Last
Wie Nachfrage und Anlagen auf Preissignale reagieren, gelernt aus Messdaten und Marktverlauf.
Von der Historie zur nächsten Entscheidung in vier Schritten.
Ihr Team legt fest, was verändert werden darf und was als gutes Ergebnis gilt. kint übernimmt die Modellierung und die Suche.
Daten bereitstellen
Vergangene Entscheidungen und ihre Ergebnisse aus einer Datenbank, einer Schnittstelle oder einer Tabelle. Jeder Upload wird versioniert.
Struktur gemeinsam festlegen
Welche Größen Sie steuern, welche nicht, welches Ergebnis verbessert werden soll und welche Grenzen eingehalten werden müssen. Der Decision Agent von kint schlägt vor, Ihre Fachleute bestätigen.
Surrogatmodelle trainieren
Ein Ensemble aus Modelltypen lernt jedes Ergebnis. kint prüft die Passgenauigkeit an Daten, die die Modelle vorher nicht gesehen haben, bevor optimiert wird.
Bessere Optionen suchen
Der Optimierer durchsucht das gelernte Modell innerhalb der festgelegten Grenzen, für ein oder mehrere Ziele zugleich, und liefert eine Rangfolge von Kandidaten.
Es sagt Ihnen, wann es unsicher ist.
- UnsicherheitsbereichVorhergesagte Ergebnisse kommen mit einem Unsicherheitsintervall statt einer einzelnen Zahl.
- außerhalb Ihrer DatenEin gelerntes Modell kennt nur die Historie, auf der es trainiert wurde. Kandidaten außerhalb dieses Bereichs brauchen einen genaueren Blick, bevor jemand danach handelt.
- EinflussfaktorenWelche Größen das Ergebnis je Kandidat in welche Richtung bewegen.
- mehrere ZieleKosten, Qualität und Emissionen: die besten Kompromisse auf dem gelernten Modell.
- wird präziserNeue Ergebnisse fließen zurück ein. Trainieren Sie neu, und die nächste Antwort stützt sich auf mehr Belege.
Blackbox oder Whitebox?
Beide laufen auf derselben Plattform und liefern dasselbe Antwortformat. Der Unterschied liegt darin, wovon Sie ausgehen und was das Ergebnis zusichern kann.
| Whitebox | Blackbox | |
|---|---|---|
| Ihr Ausgangspunkt | WhiteboxRegeln, die Sie aufschreiben können | BlackboxVergangene Entscheidungen und Ergebnisse |
| Formel nötig | WhiteboxJa, der Agent entwirft sie gemeinsam mit Ihnen | BlackboxNein |
| Das Ergebnis verspricht | WhiteboxSchranke und Optimalitätslücke ausgewiesen; optimal innerhalb Ihrer Regeln bei 0,0 % | BlackboxBestes Ergebnis auf dem gelernten Modell, mit Unsicherheitsbereich |
| Erklärt wird mit | WhiteboxBindende Nebenbedingung und Sensitivität | BlackboxEinflussgrößen und Zielkonflikte |
| Es wird besser, wenn | WhiteboxSie die Regeln verfeinern | Blackboxneue Ergebnisse eintreffen |
| Ideal für | WhiteboxBekannte Struktur, harte Grenzen | BlackboxUnbekannte Zusammenhänge, umfangreiche Historie |
Bringen Sie Ihre Historie. Sehen Sie, was sie weiß.
Bringen Sie eine Stichprobe vergangener Entscheidungen und Ergebnisse mit. Wir trainieren mit Ihrem Team ein erstes Surrogatmodell und zeigen Ihnen, was es findet und wo es unsicher ist.
- Modelle
- Ensembles aus Gradient-Boosting-Bäumen und Gaußschen Prozessen
- Antwort
- Rangierte Kandidaten mit Unsicherheitsbereich
- Kontakt
- hello@kint.pro